1018 Arbeiten
Die Bioinformatik verbindet Biologie und Informatik, um riesige Mengen an biologischen Daten verständlich zu machen. Statt sich nur auf einzelne Experimente zu konzentrieren, nutzen Forscher hier computergestützte Methoden, um Muster im Leben selbst zu entschlüsseln, von der DNA bis zu komplexen Krankheitsverläufen. Diese Schnittstelle ermöglicht es, die Sprache des Lebens in Zahlen und Algorithmen zu übersetzen und neue Erkenntnisse schnell zu gewinnen.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorab-Veröffentlichungen auf bioRxiv in diesem Bereich. Für jedes neu eingereichte Preprint erstellen wir nicht nur eine detaillierte technische Zusammenfassung für Fachleute, sondern auch eine einfache Erklärung in Alltagssprache, damit jeder den Kern der Forschung verstehen kann. So wird komplexes Wissen für ein breites Publikum zugänglich, ohne dass wichtige Details verloren gehen.
Unten finden Sie die aktuellsten Artikel aus dem Bereich der Bioinformatik, die wir kürzlich für Sie aufbereitet haben.
Diese Studie zeigt, dass durch den Einsatz von SHAP-basierten Erklärungen in Machine-Learning-Modellen versteckte Verzerrungen in kleinen biomedizinischen Bilddatensätzen aufgedeckt und gleichzeitig relevante biologische Informationen extrahiert werden können, um Fehlschlüsse zu vermeiden und sinnvolle Erkenntnisse zu gewinnen.
Die Studie stellt ein multimodales Framework vor, das genomweite Short-Tandem-Repeat-Variationen (STRs) nutzt, um die menschliche Populationsstruktur mit höherer Auflösung als SNP-basierte Methoden aufzulösen, und führt dabei ein neues, mutationsbewusstes Admixture-Modell namens dNMF ein.
Das Paper stellt ProteinConformers vor, eine umfassende Ressource mit 2,7 Millionen geometrisch optimierten Protein-Konformationen und energetischen Profilen, die durch eine Multi-Seed-Molekulardynamik-Strategie generiert wurden, um das Verständnis von Proteindynamiken zu erweitern und als Benchmark für Konformationsgeneratoren zu dienen.
Diese Studie identifiziert den Angiotensinrezeptor AGTR1 als spezifischen Marker für Lungenperizyten und zeigt, dass seine Signalgebung die Migration und Proliferation dieser Zellen reguliert, was für die Reparatur des Lungenraums bei Erkrankungen wie COPD und Emphysem von zentraler Bedeutung ist.
Diese Studie identifiziert zwei topologische Motive für Inversionsblasen in Pangenom-Graphen und zeigt, dass aktuelle Pipelines Inversionen in simulierten und realen menschlichen Datensätzen häufig unzureichend repräsentieren oder übersehen.
Diese Studie zeigt, dass DNA-Foundation-Modelle, insbesondere HyenaDNA, im Vergleich zu herkömmlichen Methoden eine überlegene Genauigkeit und Recheneffizienz bei der Vorhersage von Transkriptionsfaktor-Bindungsstellen in pflanzlichen Genomen bieten.
Die Studie zeigt, dass die Qualität der Trainingsdaten, insbesondere die Sparsity und das Rauschen in den molekularen Daten sowie die Bildauflösung, einen entscheidenden und oft unterschätzten Einfluss auf die Leistungsfähigkeit von Deep-Learning-Modellen zur Vorhersage räumlicher Transkriptomik aus Histologiebildern haben, was eine Verbesserung der Datenqualität als ebenso wichtige Strategie wie die Architektur-Optimierung etabliert.
Die Studie zeigt, dass numerische Variabilität in der strukturellen MRT-Analyse bei Parkinson-Patienten erheblich ist und durch ein neu entwickeltes Framework quantifiziert werden kann, um die Zuverlässigkeit bestehender Forschungsergebnisse zu bewerten.
Die Studie stellt jazzPanda vor, ein R-Paket, das einen hybriden Ansatz mit räumlicher Binning-Strategie nutzt, um spezifischere und räumlich korreliertere Marker-Gene in bildbasierten räumlichen Transkriptomik-Daten zu identifizieren als herkömmliche Methoden.
Die Autoren stellen die Open-Source-Tools Pioneer und Altimeter vor, die durch die explizite Modellierung von Isolationseffekten und eine scan-zentrierte Analyse die Identifizierung und Quantifizierung von DIA-Proteomikdaten mit schmalen Isolationsfenstern deutlich beschleunigen und dabei hohe Zuverlässigkeit gewährleisten.